[发明专利]基于信息熵的细分类识别模型训练、图像识别方法及装置

权利要求书

1.一种基于信息熵的细分类识别模型训练方法，其特征在于，包括：

获取输入图像，并确定所述输入图像的特征向量；

根据所述特征向量进行分类，确定所述分类后每个类别的预测值；

根据所述预测值以及每个所述类别对应的标签值构建融合损失函数，所述融合损失函数基于信息熵进行构建；

根据所述融合损失函数对所述细分类识别模型进行训练，以更新所述细分类识别模型的参数。

2.根据权利要求1所述的基于信息熵的细分类识别模型训练方法，其特征在于，所述信息熵包括对偶交叉熵和最大熵。

3.根据权利要求2所述的基于信息熵的细分类识别模型训练方法，其特征在于，所述融合损失函数根据所述预测值以及所述每个类别对应的标签值的所述对偶交叉熵进行构建，还根据所述预测值的所述最大熵进行构建。

4.根据权利要求3所述的基于信息熵的细分类识别模型训练方法，其特征在于，根据所述对偶交叉熵构建的损失函数表示为：

L_DCE＝L_CE+βLr

其中，M表示训练过程中一个batch中的数据数量，yi表示每个所述类别对应的标签值，T表示向量转置符号，p_i表示每个所述类别对应的预测值，α、β均表示可调节的超参数。

5.根据权利要求4所述的基于信息熵的细分类识别模型训练方法，其特征在于，所述融合损失函数表示为：

其中，γ表示可调节的超参数，θ表示所述细分类识别模型的参数。

6.根据权利要求1所述的基于信息熵的细分类识别模型训练方法，其特征在于，所述根据所述融合损失函数对所述细分类识别模型进行训练，以更新所述细分类识别模型的参数具体包括：

将所述融合损失函数进行梯度回传，结合梯度反向传播更新所述细分类识别模型的所述参数，使所述细分类识别模型达到最优点，完成对所述细分类识别模型的训练。

7.根据权利要求1-6中任意一项所述的基于信息熵的细分类识别模型训练方法，其特征在于，所述确定所述输入图像的特征具体包括：

使用骨干网络对所述输入图像进行特征提取得所述特征。

8.一种基于信息熵的细分类识别模型训练装置，其特征在于，包括：

获取模块，用于获取输入图像，并确定所述输入图像的特征向量；

处理模块，用于根据所述特征向量进行分类，确定所述分类后每个类别的预测值；还用于根据所述预测值以及每个所述类别对应的标签值构建融合损失函数，所述融合损失函数基于信息熵进行构建；

训练模块，用于根据所述融合损失函数对所述细分类识别模型进行训练，以更新所述细分类识别模型的参数。

9.一种基于信息熵的细分类图像识别方法，其特征在于，包括：

获取待识别图像，并将所述待识别图像输入细分类识别模型，所述细分类识别模型为采用如权利要求1-7中任意一项所述的基于信息熵的细分类识别模型训练方法进行训练得到的模型；

确定所述细分类识别模型的输出作为所述待识别图像的识别结果。

10.一种基于信息熵的细分类图像识别装置，其特征在于，包括：

图像获取模块，用于获取待识别图像，并将所述待识别图像输入细分类识别模型，所述细分类识别模型为采用如权利要求1-7中任意一项所述的基于信息熵的细分类识别模型训练方法进行训练得到的模型；

识别模块，用于确定所述细分类识别模型的输出作为所述待识别图像的识别结果。

11.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现根据权利要求1-7中任意一项所述的基于信息熵的细分类识别模型训练方法，或实现根据权利要求9所述的基于信息熵的细分类图像识别方法。

12.一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时，实现根据权利要求1-7中任意一项所述的基于信息熵的细分类识别模型训练方法，或实现根据权利要求9所述的基于信息熵的细分类图像识别方法。